Formation Machine Learning et Deep Learning avec Python

Objectifs

Découvrir les principaux modèles de Machine Learning et les mettre en œuvre dans Python à l'aide de Scikit Learn. Savoir évaluer la performance des modèles. S'initier au Deep Learning et à sa mise en pratique à l'aide de Tensorflow, Keras et statsmodels

Compétences visées

- Connaître le paysage des modèles de Machine Learning
- Connaître les librairies les plus courantes associées au Machine Learning et Deep Learning (Sciki-Learn, Tensorflow, Keras, statsmodels)
- Savoir mettre en place un projet Machine Learning
- Avoir des notions avancées sur l’évaluation de modèles

Public

Décideurs, statisticiens, data scientists, chargés d’études en charge de l’exploitation des données de l’entreprise

Pré-requis

Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation Python – Bases et introduction aux librairies scientifiques ou d'avoir atteint par la pratique un niveau équivalent

Méthode pédagogique

Alternance d'exposés, de manipulation et d'exercices mis en oeuvre à l'aide de la distribution Python Anaconda et des librairies Scikit-Learn, Tensorflow, Keras, statsmodels
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel Python.

Programme

- Concepts du Machine Learning (1.5 jour)

Tour d’horizon des applications du Machine Learning/Deep Learning et intelligence artificielle
Présentation des différents types d’apprentissage
Principe de la régression linéaire
Compromis Biais Variance
Modèles ensemblistes (Random Forest)
Modèles non linéaires (support vector Machine, Multi Layer Perceptron)
Réduction de dimensions (PCA, SparsePCA, Analyse factorielle)
Bonnes pratiques en Data Science

- Prise en main de la librairie scikit-learn (2 jours)

Présentation de scikit-learn
Exemples de modèles de classification supervisée sur un jeu de données (potentiellement proposé par les stagiaires)
Mise en place des étapes d'entraînement des modèles et bonnes pratiques (validation croisée, pénalisation, ajustement des hyperparamètres)
Sélection des variables
Importance des variables (globale et locales avec les algorithmes LIME et SHAP)
Évaluation de modèles dans le cas classification et dans le cas régression pour apprentissage supervisé

- Introduction au Deep Learning (1.5 jour)

Zoologie des types de couches de neurones artificielles
Principes de rétropropagation et mise à jour des paramètres
Mise en pratique avec un modèle simple de réseau de neurones convolutionnels pour de la classification d’image
Principe du transfer learning, knowledge distillation et entraînement à partir de 0
Éléments de traitement de langage naturel avec des réseaux de neurones (réseaux récurrents)

Modalités d'évaluation

Un formulaire d'auto-évaluation proposé en amont de la formation nous permettra d'évaluer votre niveau et de recueillir vos attentes. Ce même formulaire soumis en aval de la formation fournira une appréciation de votre progression.
Des exercices pratiques seront proposés à la fin de chaque séquence pédagogique pour l'évaluation des acquis.
En fin de formation, vous serez amené(e) à renseigner un questionnaire d'évaluation à chaud.
Une attestation de formation vous sera adressée à l'issue de la session.
Trois mois après votre formation, vous recevrez par email un formulaire d'évaluation à froid sur l'utilisation des acquis de la formation.

Solutions de financement

Cette formation peut être financée :

dans le cadre du plan de développement des compétences de votre Entreprise
par l’OPCO (opérateur de compétences) de votre Entreprise ou le FAF (Fonds d’Assurance Formation) pour les professionnels libéraux
par Pôle Emploi dans le cadre du dispositif de l'Aide Individuelle à la Formation (soumis à accord de votre Agence)
à titre personnel

Accessibilité

Vous souhaitez suivre notre formation Machine Learning et Deep Learning avec Python et êtes en situation de handicap ? Merci de nous contacter afin que nous puissions envisager les adaptations nécessaires et vous garantir de bonnes conditions d'apprentissage